AI per il trading e i mercati finanziari

In breve

Le fonti mostrano un uso dell'AI nei mercati articolato su quattro filoni: reinforcement learning (RL) per allocazione e uscita da posizioni, LLM per segnali da testo e scoperta di fattori, deep learning per hedging e opzioni, simulazione di mercati popolati da agenti. I risultati riportati sono spesso positivi, ma quasi tutti provengono da paper accademici su finestre di test brevi o simulate. Un benchmark su circa cinquemila fattori trova che nessun paradigma domina in modo consistente ²⁸. Diversi studi segnalano inoltre fragilità: RL che fallisce in problemi con soluzione analitica nota ³⁰ e instabilità sistemiche in mercati di soli agenti ³⁹.

Lo stato attuale

Allocazione di portafoglio. Uno studio combina simulazione con vine copula e RL su sette asset (azioni USA/Cina e oro): l'ensemble selezionato di dieci policy ottiene un CAGR del 34,13% e uno Sharpe di 2,31 su 22 periodi mensili, superando sei benchmark classici o basati su vine. Aggiungere dati simulati a quelli storici riduce il turnover mensile del 41,5% con crescita comparabile ⁶. La finestra di 22 mesi è però molto breve.

Opzioni e timing di uscita. Per gli short-straddle su SPX, una rete MLP addestrata su etichette ex-post fa da inizializzazione per attori Actor-Critic: su 2024-2026, su sette seed, questi ottengono in media il 37,54% di rendimento cumulato (Sharpe 1,705) contro il 35,01% (1,651) della sola MLP. Lo stesso Actor-Critic addestrato da zero rende solo lo 0,18% ¹⁶. Sulle opzioni Nasdaq 100, una penalità differenziabile sull'esposizione direzionale migliora le prestazioni risk-adjusted out-of-sample e riduce l'esposizione realizzata rispetto alla baseline non regolarizzata ³⁸.

Fattori e segnali. AlphaRLM addestra LLM, via RL, a costruire fattori simbolici dalla letteratura finanziaria; su CSI 300, CSI 1000 e S&P 500 supera le baseline nel rendimento in eccesso annualizzato, anche con un modello da 8B ¹⁴. AlphaPADI genera interi pool di formule con diffusione discreta e dichiara risultati superiori alle baseline sui mercati cinesi e statunitensi ²⁶. Stock-JEPA ancora le rappresentazioni latenti a statistiche finanziarie di riferimento e supera 13 baseline ²⁷. Il benchmark FactorBench, però, confronta nove metodi (programmazione genetica, RL, modelli generativi, agenti LLM) e conclude che nessuno prevale con coerenza in generalizzazione, distinctness e performance dopo i costi ²⁸.

Notizie e LLM. Il framework MFAST valuta i segnali testuali tenendo conto di costi di transazione, liquidità e osservabilità temporale. I modelli decoder-only superano gli encoder e il sentiment a dizionario in classificazione, calibrazione e previsione dei rendimenti. Emergono anche trade-off operativi tra accuratezza, latenza, memoria, throughput e costo di inference ⁴⁵. Dalla scheda non risultano numeri sulla performance netta del portafoglio: l'estratto è troncato.

Impatto di mercato e microstruttura. Un Causal Market Simulator (PFN causale) mira a stimare l'impatto come grandezza causale: sul prior sintetico lo stimatore naive sovrastima fino al 68%, e la risposta zero-shot si replica su circa 2.300 burst in perpetui BTC/ETH/SOL e 3.800 su equity Nasdaq. Gli autori parlano di evidenza «coerente con», ma non prova di, un trasferimento causale ¹⁹.

Approcci e strumenti

• RL puro. Pro: gestisce decisioni sequenziali sotto vincoli di rischio, come CVaR e turnover ⁶. Contro: da zero può fallire ¹⁶; in un gioco broker-trader risolto analiticamente, PPO-FFNN e PPO-LSTM restano imprecisi con flusso non informato stocastico, i critici non ordinano bene azioni vicine e il reward shaping non aiuta in modo affidabile ³⁰.
• Supervisione + RL (warm start). L'inizializzazione supervisionata dà una base stabile ¹⁶. Anche una politica analitica nota può essere congelata e adattata al variare dei costi di esecuzione ³⁰.
• Deep learning end-to-end con vincoli di rischio. Opera solo su dati storici, senza dinamiche simulate, e impone neutralità a fattori scelti ³⁸. Per la non stazionarietà, WRAP propone un training avversario drift-aware nel deep hedging, testato su dinamiche Heston e GAD ²⁵.
• LLM per segnali e fattori. Producono segnali da testo e formule eseguibili ^14,45. Il rischio è trattare le parole come informazione: un modello teorico mostra che, con covarianza Say-Do negativa, il contenuto testuale va «faded», e in 29 mercati simulati il sentiment degli echo prevede i rendimenti con segno negativo ³⁵.
• Forecasting con modelli temporali. Nel benchmark sull'elettronica usata, N-BEATS riduce il MAPE del 43% oltre 30 giorni, ma a 1-7 giorni tutti i modelli convergono (~0,72%) e la baseline naive resta competitiva. Il dominio non è finanziario ²²: utile solo come indizio metodologico.

Cosa provare

1. Valutare con attriti reali. Seguire l'impostazione di MFAST: timestamp, calibrazione, costi, liquidità, capacità ⁴⁵. Per i fattori, usare un benchmark come FactorBench invece di singole metriche ²⁸.
2. Usare un warm start. Prima di un RL su problemi sparsi e path-dependent, inizializzare con una policy supervisionata ¹⁶ o analitica ³⁰.
3. Diagnosticare il critic. Se il reward è corretto ma l'agente non converge, controllare se il critic distingue azioni vicine ³⁰.
4. Stressare la non stazionarietà. Testare le policy con perturbazioni avversarie o drift ²⁵.
5. Non fidarsi del segnale testuale a priori. Misurare la relazione tra comunicazione e posizionamento prima di seguirla ³⁵.
6. Provare vincoli di rischio differenziabili (delta-neutralità, CVaR) nell'obiettivo di training ^6,38.

Questioni aperte

• Robustezza dei risultati. Le cifre migliori (Sharpe 2,31 ⁶; +37,54% ¹⁶) derivano da finestre di test brevi e senza costi dichiarati negli estratti. Le fonti non permettono di dire se reggano in produzione.
• Nessun vincitore. FactorBench non trova un paradigma dominante ²⁸, in contrasto con i risultati favorevoli dei singoli paper sui fattori ^14,26,27.
• Informazione e valore. Imparare dai prezzi ha valore ex ante, ma può generare costi di fluttuazione per le revisioni di credenza e invertire la classifica in scenari specifici ¹⁵.
• Rischio sistemico. In mercati di soli agenti RL compaiono transizioni di fase verso regimi iper-volatili a cascata, con soglie legate al numero di agenti e alla profondità del book ³⁹. In mercati sintetici con LLM, la presentazione delle notizie sposta le quote di ordini per famiglia di modello (Qwen +48 punti, Mistral −40) quasi senza cambiare gli ordini netti; l'autore stesso rimanda a una replicazione più pulita ³¹.
• Impatto causale. La stima non distorta dell'impatto è provata su un prior sintetico, con trasferimento non dimostrato ¹⁹.
• Copertura insufficiente. Le fonti non offrono dati su trading ad alta frequenza in produzione, adozione istituzionale, aspetti regolatori o performance live: su questi punti non si può concludere nulla. Molte fonti sul RL (es. ^18,29,43) trattano LLM in generale, non la finanza, e non sono state usate come evidenza di dominio.

Fonti

6. Data-Driven Dynamic Portfolio Selection with Vine Copula Simulation and Reinforcement Learning — arXiv (temi verticali), in AIChronos dal 14 ottobre 2026 · scheda
14. AlphaRLM: Aligning Language Models for Literature-Grounded Symbolic Factor Discovery — arXiv (temi verticali), in AIChronos dal 10 ottobre 2026 · scheda
15. Ex Ante and Scenario-Conditional Value of Information in Dynamic Portfolio Choice — arXiv (temi verticali), in AIChronos dal 10 ottobre 2026 · scheda
16. MLP-Initialized Reinforcement Learning for Exit Timing in SPX Short-Straddle Portfolios — arXiv (temi verticali), in AIChronos dal 9 ottobre 2026 · scheda
18. MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement — HF Daily Papers, in AIChronos dal 9 ottobre 2026 · scheda
19. Market Impact Estimation via Causal Foundation Models — arXiv (temi verticali), in AIChronos dal 8 ottobre 2026 · scheda
22. Deep Learning vs. Statistical Models for Multi-Horizon Price Forecasting of Second-Hand Electronics: A Systematic Benchmark — arXiv (temi verticali), in AIChronos dal 7 ottobre 2026 · scheda
25. Adversarial Training for Deep Hedging in Nonstationary Markets — arXiv (temi verticali), in AIChronos dal 5 ottobre 2026 · scheda
26. AlphaPADI: Formulaic Alpha Discovery via Pool-Aware Hierarchical Discrete Diffusion — arXiv (temi verticali), in AIChronos dal 4 ottobre 2026 · scheda
27. STOCK-JEPA: Prior-Anchored Latent Revision Representation Learning in Equity Markets — arXiv (temi verticali), in AIChronos dal 4 ottobre 2026 · scheda
28. FactorBench: A Portfolio-Aware Benchmark for Automated Factor Mining — arXiv (temi verticali), in AIChronos dal 3 ottobre 2026 · scheda
29. Sharpening Tax in Post-Training — HF Daily Papers, in AIChronos dal 2 ottobre 2026 · scheda
30. When a Correct Reward Is Not Enough: Diagnosing and Guiding PPO in an Analytically Solved Broker-Trader Game — arXiv (temi verticali), in AIChronos dal 2 ottobre 2026 · scheda
31. Shared Models, Selective Trading, and Order Flow — arXiv (temi verticali), in AIChronos dal 1 ottobre 2026 · scheda
35. Say, Echo, Do: Strategic Narratives and Revealed Positioning in Financial Markets — arXiv (temi verticali), in AIChronos dal 29 settembre 2026 · scheda
38. Taming the Greeks: Option Portfolios with Inductive Biases — arXiv (temi verticali), in AIChronos dal 27 settembre 2026 · scheda
39. Agentic Limit Order Books: Phase Transitions and Market Impact — arXiv (temi verticali), in AIChronos dal 25 settembre 2026 · scheda
43. PACT: From Credit Assignment to Critic Alignment — HF Daily Papers, in AIChronos dal 24 settembre 2026 · scheda
45. Financial Language Models as Applied Artificial Intelligence Systems for News-Based Trading under Market Frictions — arXiv (temi verticali), in AIChronos dal 20 settembre 2026 · scheda